基于BP神經網絡的小電流接地故障選線方法

金賡 邱實 張儉 陸海軍

摘要：介紹神經網絡的理論及其一般模型，提出一種基于小波神經網絡的小電流接地故障選線方法，給出故障診斷流程。采集某變電站的實際數據，按BP神經網絡的學習與訓練過程進行驗證，確認該方法具有可行性和有效性。

關鍵詞：BP神經網絡；小電流接地；故障選線

中圖分類號：TM862；TM711 文獻標識碼：A 文章編號：1674-1161（2016）07-0043-04

我國在6～66 kV電網領域主要采用小電流接地方式，在發生單相接地故障時，可以帶接地故障運行2 h，以提高供電可靠性。但是，如果接地電流較大或者發生永久性接地故障，接地電弧將持續燃燒，并發生弧光接地過電壓，進而可能引發相間短路故障。至今，許多變電站仍然使用人工拉路方法查找故障線路。隨著電網自動化水平的不斷發展，小電流接地故障選線問題需要從根本上予以解決。因此，研究準確度高、可靠性強的自動選線技術，對提高供電可靠性和電網自動化水平具有十分重要的現實意義。

1 神經網絡理論及一般模型

1.1 BP神經網絡理論

神經網絡理論起源早，能夠較好地模仿人腦組織結構和運行機制，從微觀結構和功能上描述非線性和不確定系統。應用比較廣泛的神經網絡是反向傳播網絡，也稱BP網絡。BP網絡是利用非線性可微分函數進行權值訓練的多層網絡，在函數逼近、模式識別、信息分類及數據壓縮等領域廣泛應用。

對于小電流接地系統的故障選線來講，采集信號映射和診斷檢測結果之間存在非線性關系，可用神經網絡訓練方法實現。雖然需要大量的訓練和檢驗數據，但從檢測選線動作和準確度來說，基于神經網絡的故障選線方法具有較好的利用價值。

1.2 BP神經網絡一般模型

如圖1所示，神經網絡的神經元大多類似，但BP神經元有所不同，其輸出函數可以為非線性函數。常用的非線性函數有logsig和tansig函數，部分輸出層也采用線性函數，輸出為：

a=logsing（Wp+b） （1）

式中：p=[p1， p2，…，pR]，為該神經元的輸入向量；W=[ω1， ω2，…， ωR]，為權值向量，表示R個該神經元與其他神經元的突觸連接強度；B為該神經元的閾值。

如果神經元輸入向量的加權Wp大于b，則該神經元被激活，因此輸入向量的加權和又稱為激活值。logsig表示神經元的傳輸函數。

2 BP神經網絡的學習與訓練理論

BP神經網絡結構確定后，通過樣本數據對網絡模型進行訓練，即對BP神經網絡的閾值和權值進行學習及修正，使網絡模型確定的輸入輸出映射關系更精確。普通的三層BP網絡結構如圖2所示。

BP網絡學習是典型的有導師學習，算法的學習由下面4個過程組成。

2.1 正向傳播

如BP神經網絡結構所示，設BP網絡隱含層節點的激活函數為f1（），則隱含層的q個節點的輸出為：

2.3 網絡訓練

網絡訓練是反復交替進行正向傳播和反向傳播的過程，也可以說是反復進行學習，根據期望輸出的目標值與實際輸出值的誤差來調整權值。反復交替進行前兩步傳播，實際輸出值越來越與期望輸出值逼近。將所有學習樣本按照上述方法進行反復訓練，最后確定權值。

2.4 收斂過程

神經網絡的收斂過程為使全局誤差達到最小值的過程。BP算法的程序如圖3所示。

3 基于小波神經網絡的故障選線方法

要確定BP神經網絡的輸入層個數，可以對信號進行小波分解層次，將采集信號經過小波包分解提取故障特征量，并以此作為BP神經網絡的輸入量，再通過神經網絡進行故障識別與診斷。將小波包分解技術與BP神經網絡技術相結合的小電流系統接地故障選線診斷過程如圖4所示。

4 方法驗證

利用安裝在某變電站的小電流接地系統故障選線裝置采集50個單相接地故障數據，作為現場數據對上述模型進行驗證。驗證結果表明，選線正確率達100%。針對典型故障計算各自的故障測度，利用小波神經網絡模型得到的選線結果如表1所示。

5 結語

提出一種基于BP神經網絡理論的小電流接地故障選線方法，并給出故障診斷流程。通過理論和實際數據分析確定，基于BP神經網絡技術的小電流接地故障選線方法，能夠提高故障檢測的準確性。

參考文獻

[1] 許小兵，董麗金，袁棟.智能變電站小電流接地選線裝置的研究與實現[J].江蘇電機工程，2013，32（5）：55-58.

[2] 張礦，許小兵，李建敏，等.小電流接地選線功能在智能變電站的應用[J].電力系統自動化，2014，11（3）：1-3.

[3] 欒國軍，王濤，張濤，等.一種智能變電站小電流接地選線系統實現[J].山東電力技術，2015，42（9）：19-22.